《表4 不同架构的RS-ADP在Ag CNER上的识别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于部首嵌入和注意力机制的病虫害命名实体识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由表4实验组1～4结果可知，融合部首嵌入的Bi LSTM-CRF模型针对农业病虫害命名实体的识别结果明显优于只有字符嵌入作为输入的基准模型，其F1值分别提高了0.35、0.25、0.29个百分点。这说明了CNN与Bi LSTM均能够有效提取部首特征，且有助于模型识别农业病虫害相关命名实体。其中，CNN能够最大程度上提升模型识别性能。而CNN和Bi LSTM联合提取策略性能稍低。理论上，该机制能够同时捕获部首更加丰富的语义特征（空间特征和序列特征），而实际应用中其效果并不理想，可能原因是仅采用级联方法无法有效融合2种特征信息，下一步将继续探究更有效的特征融合方法。综上，本文采用CNN提取部首嵌入特征。